AI 论文与研究

LynnReal-Omni 是一个基于 32B 共享多模态扩散 Transformer 的原生多模态视频生成框架，统一了文生视频、图像条件生成、参考引导生成、结构控制、编辑、退化视频修复和长视频生成。

ModularRSI 提出一种基准不相交、对比式、模块化的 harness 演化框架，将可演化 harness 拆分为 Agent Loop、Tool Use、Observation Management、Context Management 和 Task Completion Detection 五个功能模块，各自独立演化后再整合。

HazardAuditor 是一个面向计算机使用智能体的执行级安全框架，可在受控环境中运行 Claude Code、Codex、Hermes、OpenClaw 等异构智能体，并把交互归一化为统一事件表示以支持跨框架监督。

研究将 Transformer 学习到的表征更新分解为平行与垂直分量，发现预训练模型中存在超出残差恒等路径的大量平行分量。针对注意力与 MLP 更新及注意力 value 聚合的定向编辑显示，value 空间排除自身的平行操作鲁棒性明显强于残差空间和垂直操作。预训练中全聚合平行抑制可降低验证损失轨迹并提升下游平均表现，value 空间变体效果最强。

RSIAgent 是一个免训练的多智能体框架，通过协调课程、执行与验证智能体自主探索环境、验证结果并构建可复用的环境记忆，采用先广后深的探索策略发现隐藏约束与因果依赖。在 OSWorld-v2 和 Agent's Last Exam 上，该框架显著提升开源模型表现，使 Kimi-K3 和 GLM-5.3 超越包括 GPT-6 在内的前沿闭源模型。

HypoEvolve 通过代际遗传算法协调多个专业 LLM 智能体，对假设种群进行组合、修订与保留，使协作过程对假设质量的影响可直接检验。在 34 种癌症类型上，该方法在 DepMap 和 Open Targets 两项外部指标上均超越六个基线，DepMap 选择性达 0.171，最强基线为 0.115。相对单次生成的提升还可泛化到未见过的癌症类型。

Epoch AI 基于 Ipsos KnowledgePanel 的两次调查显示，2026 年 3 月至 8 月间，美国成年人中近每日（6-7 天）使用 AI 的比例翻了一倍多。3 月调查覆盖 2，017 名成年人，8 月覆盖 1，016 名。文中指出两波调查的提问方式和 AI 服务清单略有差异，频率对比仅具近似性。

Artificial Analysis 与韩国政府签署 MOU，成为主权 AI 模型基础项目的官方独立评估方。在 NIPA 主办的最新一轮韩国主权 AI 竞赛中，参赛实验室模型使用 Artificial Analysis Intelligence Index 评测，该指数占整体评审标准的 25%。

OpenAI 训练出 15 亿参数的 GPT-2，在多项语言建模基准上达到 SOTA，并能零样本完成阅读理解、机器翻译、问答和摘要。出于对恶意应用的担忧，OpenAI 未发布完整训练模型，仅以负责任披露实验的形式放出一个小得多的模型供研究者使用，同时发布技术论文。GPT-2 基于 Transformer，用 40GB 互联网文本、800 万网页训练，参数和数据量均为 GPT 的 10 倍以上。

Claude Fable 5.1 在 44 分钟、176k tokens 后破解了 Sir Thomas Urquhart 的 Cyphral Distich，这条 64 个数字的密码自 1899 年起被列为未解问题。

Emad Mostaque 就每日博客 Day 3 的写法发起投票：是写 3-5，000 字深入文章，还是压缩到 800-1，000 字以覆盖更广读者；是讨论 AI 方程偏技术，还是保持高层视角、把方程留给论文。其 Day 2 博客曾深入分析 DarioAmodei 的提案并质疑其逻辑，还提到 OpenAI 在 2023 年已有 embedded eval。

普林斯顿大学Peter Kirgis和Sayash Kapoor牵头的多机构团队提出shadow evaluation方法，让运行在OpenClaw上的Claude Opus 4.8用六天、3000美元API额度和GPU预算复现两篇未发表的NeurIPS 2026论文研究。

一份新技术报告提出 Recurrent Looped Transformer（RLT），让解码器对每个 token（含 prompt 与回复）循环复用，因果编码器构建全局 KV 记忆。48 层解码器下，t 个 token 的计算路径经过 48t 个解码块，深度随序列增长而单 token 成本不变。该报告仅为设计提案，作者称推理增益、硬件加速与 RL 扩展尚未实测。

普林斯顿研究者 Yifan Zhang 发布技术报告，提出 Recurrent Looped Transformer（RLT），将解码器最终隐状态与逐层 SWA 缓存跨 prompt 和回复的每个 token 传递，不在边界重置。

DAIR.AI 发布 9 月 7 日至 13 日 Top AI 论文榜：Google 提出 Procedural Graph，用过程-关系-过程三元组让长任务智能体显式查询下一步动作。

Artificial Analysis 将 Capability Indices 升级至 v1.1，结合 Intelligence Index v4.2 和 v4.3 的评估切片与专项评测，按领域进行更强调优。

多数智能文档处理（IDP）平台在演示与生产环境之间存在10到20个百分点的准确率差距，干净 PDF 上98%的提取准确率在实际收件上可能只有82%。文章指出核心失效点是文档多样性，模板依赖会随时间累积维护成本，而图表、示意图、图像等非文本内容常被传统 IDP 忽略。现代方案改用 LLM 编排层，按元素类型将文本、表格、图表分别路由给 OCR、版面感知提取和视觉语言模型。

独立研究者Elvis Saravia公开反对对AI使用、构建与节奏的过度控制，强调开源AI比以往更重要，认为AI不应被少数人掌控。他列举了仍需解决的问题，包括更好的评测、消除偏见、可靠性、代码质量、OOD问题、自动化工作流生成、自动提示词工程、成本、多模态、延迟、长上下文理解、检索、工具调用与智能体协调等。他呼吁对AI安全保持科学严谨、减少拟人化，并对人类潜力保持乐观。

Maggie Appleton 与 Kevin Roose 围绕 AI 展开对谈，涉及个人基准（personal benchmarks）与 Navier-Stokes 证明。内容还涉及对 Anthropic 警告的解读。

DAIR.AI 创始人 Elvis 整理的 Harness 必读论文合集已上线 academy.dair.ai，涵盖 Agent 状态机、工具门禁设计、长周期记忆持久化等底层文献。推文给出构建专属 Harness 的 3 个起步心法：先卡死不可逆权限、按任务隔离上下文而非全塞进 System Prompt、建立领域专属 Evals。

DAIR.AI 创始人 @omarsar0 呼吁构建者学会为垂直领域打造专属 Harness，并称 YC 大量团队正涌入这一方向。他认为模型单点智力正被拉平并商品化，真正能建立定价权的是包在模型外的 Harness：产品侧封装行业业务逻辑与交互界面，技术侧把领域最佳实践与安全红线固化为可回滚、可审批的工程框架。他同时给出 DAIR.AI Academy 的 harness 论文合集供上手学习。

Andon Labs 测试显示 OpenAI 的 GPT-6 Astra 在两个 Agent 基准上超越所有以往前沿模型。

Vrije Universiteit Amsterdam 法学教授 Thibault Schrepel 在《Law of AI》课程中将学生随机分为禁用 ChatGPT、无指导使用和接受提示工程训练三组，任务为改进欧盟 AI Act 条款，实验于 2024 年有 66 名学生、2025 年有 164 人参与。

IBM 论文提出 STAIR，用生成式检索让模型先读目录树再定位章节，在覆盖医学、金融、法律等 6 大领域 18 本教材的 SearchTome 基准上命中率达 82.6%，高于 BM25 的 59.5%、DPR 的 68.7% 和 DSI 的 76.9%。

AI 变得如此优秀的一个缺点是，越来越难展示它的优势和劣势。是的，Astra 和 Fable 能在某个学术领域做研究并写出好论文。不，它们还不如人类（暂时？），但你必须了解这个领域才知道为什么。

Stanford 与 MIT 论文《Meta-Harness： End-to-End Optimization of Model Harnesses》（arxiv. org/abs/2603.28052）指出模型性能还取决于周边系统代码 harness，同一 LLM 换 harness 在同一基准上可出现最高 6 倍性能差距。

LLM 经常低估自己需要多少信息，所以要测试它们何时停止，而不是仅依赖答案准确率。 正确答案可能掩盖信息收集的不足。 模型可能利用先验知识或猜对答案，而没有收集足够的证据。 - arxiv. org/abs/2608.14808 标题："Do LLMs Know What to Ask and When？ Evaluating Multi-Turn Information Seeking"

BestBlogs 09-13 早报精讲三篇内容：Anthropic CEO Dario Amodei 提出前沿模型不必停止研发，但能力提升节奏需为对齐、可解释性与评测留出时间，并建议引入嵌入式独立评估者、建立实验室间共同安全标准。

SpectralShift 通过谱重参数化扩展 Gated DeltaNet（GDN）的有效上下文窗口，用于长上下文持续预训练。该方法重新参数化 alpha 投影初始化以重塑衰减谱、增强慢速传播能力，并引入 alpha 投影的学习率缩放。实验显示其持续提升长上下文能力，代码已开源。

研究者推出 E2A-Bench，一个包含 969 条查询的金融图表推理基准，基于 323 只 HS300 成分股和三种输入模态构建，用 UCR、RCI、ECI、NDR 四项指标评估证据溯源、推理-行动一致性、证据-置信度校准与方向覆盖。

AlayaVista 是一个相机可控的流式视频世界模型，将全景世界演化与透视观测合成解耦，给定单张透视图像即可构建 360 度场景先验并演化场景，输出透视视频。团队同时构建了 MUGEN 数据集，含 1，318 小时、分辨率至少 4K 的真实全景视频及语义与几何标注。

Dex Horthy 完成了 SlopCodeBench 对 GLM 5.3、Sol 5.6 和 Astra 的完整基准测试，首次跑完全部场景而非此前的小子集。Astra 得分比 gpt-5.5 高几分，但差距不如预期；Sol 得分低于 gpt-5.5 令他意外。他猜测新模型在更高思考模式下更容易失控，自己日常多用 Sol 的 medium 或 low effort。

论文提出 terms.txt，一种按路径和用途设定机器访问条款的文件，弥补 robots.txt 只能允许或禁止路径、无法说明爬取者身份、目的与条件的局限。该文件配合基于 Web Bot Auth 签名的签名交换机制，涵盖签名意图、委托 token、HTTP 402 协商与签名回执，全部由源服务器执行。作者明确区分了可强制执行、仅可审计和留给合同约定的范围。

微软 CEO Satya Nadella 在斯坦福在线访谈中提出，企业未来的 AI 护城河不是所用模型，而是只有自己能运行的学习循环。他认为基础模型让通用智能人人可用，企业需自建"爬坡机器"，用私有评测、工作流轨迹和人工判断持续改进模型，把日常运营转化为可积累的 IP。只消费基础模型的公司或能获得生产力，却可能流失运营知识的深层价值。

DAIR.AI 的 Elvis Saravia 发布了一份 harness 工程论文合集，供开发者交给自己的智能体学习。他认为，深耕某一领域后会发现构建领域专属 harness 的机会，而 harness 对在智能体时代保持竞争力至关重要。从产品角度看，harness 能开辟新的交互界面与体验；从技术角度看，它是建立用户与产品交互框架及最佳实践的方式。

新论文提出 Looped Flows，用局部去噪目标训练循环架构，让每次隐藏状态更新彼此关联，解决以往梯度只流经最后几步、早期更新学不到东西的问题。作者称该模型在 6 个推理基准中的 5 个上优于此前的循环模型。推理时模型沿概率流运行，更细的时间网格可换取更多算力，不同起始噪声在存在多解的任务上可产生不同有效答案。

机器人基准 StationeryBench 在 200 次试验中对比 GPT-6 Astra 与 Ai2 MolmoAct2 控制同样的双臂 YAM 机器人完成五类桌面物体任务，Astra 完整完成 100 项任务中的 7 项、中位进展分 46，MolmoAct2 均为 0 和 12。

基于 Olmo 3 的酷炫后训练工作 ：） RL 成本高昂，所以每一步都应算数。约 1 年前，我们展示了 xent SFT 并非为 RL 做准备的最佳方式（https://arxiv.org/abs/2510.15020）。现在我们提出 TailSFT（https://arxiv.org/abs/2608.25756），一种轻量且有原则的方法，可直接提升覆盖度并获得更好的 RL 后性能。

中国电信研究院《智能体时代 AI 基础设施发展研究报告（2026）》预计，2026 年我国 Token 年消耗量将达 10 亿亿，2030 年超过 3500 亿亿，年复合增长率接近 12 倍。报告还预计未来 2~3 年我国算力需求平均每年增长近 10 倍，2029 年推理算力市场占比将达 80%。

Meta 发布论文《Jagged Judges： Epistemic Stability Under Silence， Pressure， and Persistence》，研究 LLM 判官在重提示、质疑和持续施压下的稳定性。